>

背景 (Background)

外卖加盟站长承担骑手管理、异常处置、运营执行等大量依赖人工经验完成的日常工作，存在重复劳动多、响应速度慢、运营标准不一致等问题。随着Agent 能力逐渐成熟，希望探索 AI 在真实运营场景中的落地，让 AI从“辅助问答”升级为“能够执行工作的数字员工”。

目标 (Goal)

过程 (Process)

• 作为产品负责人，负责项目从0到1规划及落地，包括：用户调研&需求分析、AI产品规划、Agent Workflow设计、业务试点&推广、协调产研&运营等多个团队共同推进项目落地：
• 做调研：调研确定加盟站长可被标准化的工作空间，确定AI站长的工作范畴。
• 定方案：围绕站长工作流程设计Agent Workflow：实时数据监控—异常发现—AI分析原因—生成运营建议—调用业务系统执行动作—站长确认—执行完成。
• 整个过程中，AI负责标准化分析及执行，人负责关键决策，实现 Human-in-the-loop 的运营模式。
• 先试点：前期选择3个站点进行试点，带领技术进入一线FDE，并跑通AI站长的运营模式，总结批量复制经验。
• 再推广：协同运营，在更多城市中推广AI站长。

背景 (Background)

履约运营涉及大量数据查询、业务分析及运营决策工作，传统模式下运营人员需要：查看多个数据系统—理解指标口径—分析问题—制定方案—操作多个平台执行，整个过程高度依赖人工经验，效率较低。

目标 (Goal)

打造企业级 Data Agent “晓数”，实现运营智能化。

过程 (Process)

• 作为产品主R，负责：Agent设计、业务知识体系设计、Workflow设计、Prompt策略等，Agent包含以下能力：
• 取数：整合底层数据，理解自然语言需求，识别用户意图，完成参数解析，输出准确数据。
• 答疑：建设业务知识体系，包含 指标口径、运营指导思路、问题分析框架等，在Agent识别用户问题类型后，给出符合业务认知的答案；
• 分析：搭建问题分析工作流，Agent自动完成：问题定位—原因分析—影响判断—运营建议，降低人工分析成本；
• 处置：打通下游运营平台，AI生成建议后，支持直接执行运营动作，实现 分析—处置，真正形成运营闭环。

背景 (Background)

25年夏季外卖市场竞争激烈，短期内涌现大量需求（60+），需数据团队快速响应，支持业务重要动作落地。

目标 (Goal)

在竞争激烈的战役环境下，快速响应，并协调资源保障高价值需求的落地。

过程 (Process)

• 有什么挑战：a、时间紧，任务重：短期内来自安全、运力、履约三大事业部的需求暴增，团队人手有限，需要判断对业务有高价值的需求，协调资源快速落地；b、管理难度高：团队初次经历大规模战役，面对持续高压工作，需带好团队拿到结果。
• 该怎么做：a、作为数据产品主R与业务leader保持密切沟通，迅速建立战役期间协同机制，为产研团队高效开展工作扫清障碍；b、临时调整产品内部分工，确定backup机制，适配战役期间工作场景；c、关注团队成员心态变化，及时解决内部问题，保持团队向上的心态和战斗力。

背景 (Background)

履约业务运营的目标是保障用户履约体验，履约站长作为一线管理人员，日常负责骑手运营，对用户履约体验负责。站长在工作中面临较多复杂场景，主要以线下人工处置为主，工作效率低，对业务运营影响大。

目标 (Goal)

围绕站长工作场景，将站长线下工作线上化，提高站长工作效率。

过程 (Process)

• 为什么做：深入一线调研30+站长后，判断若将站长大部分工作线上化，提效收益巨大（预期节省站长1.5h人/天*900人），值得落地。
• 有什么挑战：a、复杂度高：从0-1的项目，需要从站长庞杂的工作中梳理出真正对业务有价值的需求，并设计解决方案；b、资源紧缺：研发资源紧缺，需充分证明项目价值，并在内部争取资源，确保项目落地。
• 该怎么做：a、对站长日常工作进行拆解和分类，针对机械重复工作，系统全托管解决；如骑手出勤管控，通过建立待出勤骑手标签——搭建外呼机器人——打通画像平台，系统自动针对待出勤骑手外呼，释放站长人力；b、针对复杂运营工作，建立数据监测-问题分析-运营执行的工作流，做到有问题及时预警，AI自动分析问题原因，并给出运营指导的工作闭环；如恶劣天气运营，系统实时监测数据并进行异常预警，AI助手“晓数”自动分析定位异常原因，给出解决建议，站长只需判断是否执行AI建议即可。